C#中移除所有html标签的最高效的正则表达式
0
悬赏园豆：100
[待解决问题]
仅仅使用正则表达式 "<[^>]*>" 是不够的，对于<script>, <embed>, <object>, <iframe>这类标签，还要移除这标签中的内容，比如移除<script>要用这样的正则表达式：
"<script([^>])*>(\w|\W)*?</script([^>])*>"
如何用一个正则表达式高效地解决这个问题？
问题补充：
补充1：只要能解决这个问题，不用正则表达式也可以。
补充2：在PHP中，通过strip_tags()可以移除所有html标签。
所有回答(9)
0
此页面按照"<[^>]*>"移除的后果是，留下：
C#中移除所有html标签的最高效的正则表达式_博问_博客园
当然还有一些空格。还有 还有好多乱乱的文字。
感觉上，很不靠谱，如果要有可阅读性，可能要针对性的读取某个标签中的内容。
就是所谓的增加智能。
0
这个用一个正则来做,不好吧.因为是指定的标签,所以肯定会有好几个|运算出来.就不高效啦
0
一个 正则不够的
0
我从来都是用jQuery在浏览器端获得纯文本再传回服务器。$(selector).text()
0
先找出<body>中的内容，在去掉<script>, <embed>, <object>, <iframe>，这样效率能提高一点
0
HTML DOM节点处理呀。。。。HtmlAgilityPack这个玩意可以很好的剔除标签......
0
这里有一个解决方案（不是我原创的），使用正则表达式：
http://www.cnblogs.com/qiantuwuliang/archive/2011/06/11/2078482.html
找到之后直接用 Match.Index 和 Match.Length 标记，删掉。
用 mshtml.HTMLDocument 可以解析，但是没法删除。
0
<(.+?)>[\w\W]+?</\1>
0
可以用HtmlAgilityPack 1.4.9：
1 string[] texts = htmlDoc.DocumentNode.SelectNodes(@"//text()[name(..)!='script' and name(..)!='embed' and name(..)!='object' and name(..)!='iframe']").Where(x => !Regex.IsMatch(x.InnerText, @"^\s+$")).Select(x => x.InnerText).ToArray(); 2 string r = string.Join(" ", texts);
